/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
21,3 ГБ
Лицензия
Apache 2.0
Архитектура
mllama · dense
Базовая модель
Llama-3.2-11B-Vision-Instruct
Опубликована
18 дек 2024

LlamaV-o1

Ответы на вопросыТекст → текст8 профессий

Мультимодальная модель MBZUAI на 11 млрд параметров для ответов на вопросы и пошаговых рассуждений по изображениям.

61скачиваний за 30 дней96лайковвеса обновлены13 янв 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

LlamaV-o1 — мультимодальная модель для визуальных рассуждений, разработанная MBZUAI и дообученная на основе meta-llama/Llama-3.2-11B-Vision-Instruct. Модель с архитектурой mllama и 11 млрд параметров принимает изображения и текстовые инструкции и формирует текстовые ответы с последовательными объяснениями. Основное назначение — ответы на вопросы по изображениям, включая задачи на визуальное восприятие, математику, понимание документов и социальный контекст.

Модель обучалась на LLaVA-CoT-100k и предназначена для диалоговых и исследовательских сценариев, требующих анализа визуального содержимого. В карточке также заявлены применение в образовательных инструментах и разговорных агентах. Указанная лицензия — Apache-2.0. Карточка отмечает возможные трудности с узкоспециализированными знаниями и неоднозначными или состязательными запросами; модель не рекомендуется для решений с высокими ставками, включая медицинскую диагностику.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • объяснение визуальных задач с пошаговым рассуждением
  • решение математических задач по изображению
  • извлечение и интерпретация информации из документов
  • анализ сцен и социальных ситуаций на изображениях

Ограничения

Может ошибаться в узкоспециализированных темах, а также при неоднозначных или состязательных запросах. Не предназначена для высокорисковых решений, например медицинской диагностики.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LlamaV-o1

Overview

LlamaV-o1 is an advanced multimodal large language model (LLM) designed for complex visual reasoning tasks. Built on a foundation of cutting-edge curriculum learning and optimized with techniques like Beam Search, LlamaV-o1 demonstrates exceptional performance across diverse benchmarks. It is fine-tuned for step-by-step reasoning, enabling it to tackle tasks in domains such as visual perception, mathematical reasoning, social and cultural contexts, medical imaging, and document understanding.

The model is designed with a focus on interpretability and precision. By leveraging a structured reasoning approach, LlamaV-o1 provides coherent and accurate explanations for its decisions, making it an excellent tool for research and applications requiring high levels of reasoning. With over 4,000 manually verified reasoning steps in its benchmark evaluations, LlamaV-o1 sets a new standard for multimodal reasoning, delivering consistent and reliable results across challenging scenarios.

Key Features:

  • Model Size: 11 billion parameters.
  • Architecture: Based on the Llama (Large Language Model Architecture) family.
  • Fine-Tuning: Enhanced for instruction-following, chain-of-thought reasoning, and robust generalization across tasks.
  • Applications: Ideal for use cases such as conversational agents, educational tools, content creation, and more.

Model Details

  • Developed By: MBZUAI
  • Model Version: v0.1
  • Release Date: 13th January 2025
  • Training Dataset: Diverse multilingual corpus, including high-quality sources for instruction tuning, chain-of-thought datasets, and general-purpose corpora.
  • Framework: Pytorch

Intended Use

LlamaV-o1 is designed for a wide range of NLP tasks, including but not limited to:

  • Text Generation
  • Sentiment Analysis
  • Text Summarization
  • Question Answering
  • Chain-of-Thought Reasoning

Out-of-Scope Use

The model should not be used in applications requiring high-stakes decision-making, such as healthcare diagnosis, financial predictions, or any scenarios involving potential harm.

Training Procedure

  • Fine-Tuning: The model was fine-tuned on a dataset optimized for reasoning, coherence, and diversity, leveraging instruction-tuning techniques to enhance usability in downstream applications.
  • Optimizations: Includes inference scaling optimizations to balance performance and computational efficiency.

Evaluation

Benchmarks

LlamaV-o1 has been evaluated on a suite of benchmark tasks:

Limitations

While the model performs well on a broad range of tasks, it may struggle with:

  • Highly technical, domain-specific knowledge outside the training corpus.
  • Generating accurate outputs for ambiguous or adversarial prompts.

Usage

from transformers import MllamaForConditionalGeneration, AutoProcessor

model_id = "omkarthawakar/LlamaV-o1"

model = MllamaForConditionalGeneration.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)
processor = AutoProcessor.from_pretrained(model_id)

Please refer to llamav-o1.py for inference.

Results

Table 1: Comparison of models based on Final Answer accuracy and Reasoning Steps performance on the proposed VRC-Bench. The best results in each case (closed-source and open-source) are in bold. Our LlamaV-o1 achieves superior performance compared to its open-source counterpart (Llava-CoT) while also being competitive against the closed-source models.

ModelGPT-4oClaude-3.5Gemini-2.0Gemini-1.5 ProGemini-1.5 FlashGPT-4o MiniLlama-3.2 VisionMulberryLlava-CoTLlamaV-o1 (Ours)
Final Answer59.2861.3561.1661.3554.9956.3948.4051.9054.0956.49
Reasoning Steps76.6872.1274.0872.1271.8674.0558.3763.8666.2168.93

Training Data

LlamaV-o1 is trained on the LLaVA-CoT-100k dataset. We have formatted training sample for multi-step reasoning.

Training Procedure

LlamaV-o1 model is finetuned on llama-recipes. Detailed Training procedure will be coming soon!

Citation

If you find this paper useful, please consider staring 🌟 our Github repo and citing 📑 our paper:

@misc{thawakar2025llamavo1,
      title={LlamaV-o1: Rethinking Step-by-step Visual Reasoning in LLMs}, 
      author={Omkar Thawakar and Dinura Dissanayake and Ketan More and Ritesh Thawkar and Ahmed Heakl and Noor Ahsan and Yuhao Li and Mohammed Zumri and Jean Lahoud and Rao Muhammad Anwer and Hisham Cholakkal and Ivan Laptev and Mubarak Shah and Fahad Shahbaz Khan and Salman Khan},
      year={2025},
      eprint={2501.06186},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2501.06186}, 
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
MllamaForConditionalGeneration
Ревизия весов
429fc3e

0 моделей